不同标注策略下改进YOLOv8n的番茄叶片病害识别方法

摘要

为比较病斑区域标注与整体叶片标注在受控背景番茄叶片病害检测中的适用性，选取PlantVillage数据集中叶霉病、晚疫病、斑枯病和健康叶片图像3 500张，构建2类标注数据集，并在YOLOv8n中引入空间分组增强（SGE）和全局注意力机制（GAM），开展8组组合试验。结果表明，整体叶片标注下P、R、F₁和mAP@0.5的跨网络均值为0.985、0.984、0.984和0.993，较病斑区域标注分别提高0.249、0.222、0.235和0.248。YOLOv8n-SGE-GAM的P、R、F₁和mAP@0.5分别为0.990、0.988、0.989和0.995，参数量2.74×10⁶，检测速度132.30帧/s。结果显示：整体叶片标注更适合受控背景单叶图像的叶片级识别，SGE与GAM联合使用可在较小计算开销下改善检测性能。

关键词

番茄叶片病害 / YOLOv8n / 标注策略 / 空间分组增强 / 全局注意力机制

基金资助

兵团财政科技计划“天山英才”培养计划青年托举人才项目“戈壁沙漠设施番茄高效栽培及肥水施用关键技术研究与示范”（2024TSYCQNTJ0057）; 塔里木大学研究生科研创新项目“黄沙基质下番茄精准水肥调控对产量、品质及水肥利用效率的机理研究”（TDGRI2024076）